模块1：AI工具包基础

模块 1：AI 工具包基础

学习目标

完成本模块后，你将能够：

• ✅ 安装并配置适用于 Visual Studio Code 的 AI 工具包
• ✅ 浏览模型目录，了解不同模型来源
• ✅ 使用 Playground 进行模型测试和实验
• ✅ 利用 Agent Builder 创建自定义 AI 代理
• ✅ 对比不同提供商的模型性能
• ✅ 应用提示工程的最佳实践

AI 工具包简介 (AITK)

适用于 Visual Studio Code 的 AI 工具包是微软的旗舰扩展，将 VS Code 打造为一个全面的 AI 开发环境。它连接了 AI 研究与实际应用开发，让各种技能水平的开发者都能轻松使用生成式 AI。

主要功能

AI 工具包的重要性

• ** 加速开发**：从创意到原型只需几分钟
• ** 统一工作流**：一个界面管理多个 AI 提供商
• ** 简易实验**：无需复杂设置即可对比模型
• ** 生产就绪**：从原型到部署无缝衔接

️ 前置条件与安装

安装 AI 工具包扩展

步骤 1：访问扩展市场

1. 打开 Visual Studio Code
2. 进入扩展视图（Ctrl+Shift+X 或 Cmd+Shift+X）
3. 搜索 “AI Toolkit”

步骤 2：选择版本

• ** 正式版**：推荐用于生产环境
• ** 预览版**：抢先体验最新功能

步骤 3：安装并激活

✅ 验证清单

• VS Code 侧边栏显示 AI Toolkit 图标
• 扩展已启用并激活
• 输出面板无安装错误

实操练习 1：探索 GitHub 模型

** 目标**：熟悉模型目录并测试你的第一个 AI 模型

第 1 步：浏览模型目录

模型目录是你进入 AI 生态系统的入口。它汇聚了多个提供商的模型，方便发现和比较。

** 导航指南：**

点击 AI 工具包侧边栏中的 MODELS - Catalog

** 小贴士**：寻找具备你用例所需特性的模型（例如代码生成、创意写作、分析）。

⚠️ 注意：GitHub 托管的模型（即 GitHub Models）免费使用，但请求和令牌有速率限制。若要访问非 GitHub 模型（例如通过 Azure AI 或其他端点托管的外部模型），需要提供相应的 API 密钥或认证信息。

第 2 步：添加并配置你的第一个模型

模型选择策略：

• GPT-4.1：适合复杂推理与分析
• Phi-4-mini：轻量级，响应快速，适合简单任务

** 配置流程：**

1. 从目录中选择 OpenAI GPT-4.1
2. 点击 Add to My Models —— 注册模型以供使用
3. 选择 Try in Playground 启动测试环境
4. 等待模型初始化（首次启动可能稍慢）

⚙️ 理解模型参数：

• Temperature：控制创造力（0 = 确定性，1 = 创造性）
• Max Tokens：最大响应长度
• Top-p：核采样，提升响应多样性

第 3 步：掌握 Playground 界面

Playground 是你的 AI 实验室。以下方法能帮助你最大化其价值：

** 提示工程最佳实践：**

1. 具体明确：清晰详细的指令效果更好
2. 提供上下文：包含相关背景信息
3. 使用示例：用例子展示你想要的结果
4. 反复迭代：根据初次结果不断优化提示

** 测试场景：**

# Example 1: Code Generation
"Write a Python function that calculates the factorial of a number using recursion. Include error handling and docstrings."

# Example 2: Creative Writing
"Write a professional email to a client explaining a project delay, maintaining a positive tone while being transparent about challenges."

# Example 3: Data Analysis
"Analyze this sales data and provide insights: [paste your data]. Focus on trends, anomalies, and actionable recommendations."
​

挑战练习：模型性能对比

** 目标**：使用相同提示对比不同模型，了解各自优势

** 操作说明：**

1. 将 Phi-4-mini 添加到你的工作区
2. 对 GPT-4.1 和 Phi-4-mini 使用相同提示

3. 对比响应质量、速度和准确性
4. 在结果部分记录你的发现

** 关键洞察：**

• 何时使用大语言模型 (LLM) vs 小语言模型 (SLM)
• 成本与性能的权衡
• 不同模型的专长能力

实操练习 2：使用 Agent Builder 构建自定义代理

** 目标**：创建针对特定任务和工作流的专业 AI 代理

️ 第 1 步：了解 Agent Builder

Agent Builder 是 AI 工具包的核心。它允许你创建专用的 AI 助手，结合大型语言模型的能力与自定义指令、特定参数和专业知识。

** 代理架构组件：**

• 核心模型：基础大语言模型（GPT-4、Groks、Phi 等）
• 系统提示：定义代理的个性和行为
• 参数：针对性能优化的调优设置
• 工具集成：连接外部 API 和 MCP 服务
• 记忆：对话上下文和会话持久化

⚙️ 第 2 步：深入代理配置

** 创建有效的系统提示：**

# Template Structure:
## Role Definition
You are a [specific role] with expertise in [domain].

## Capabilities
- List specific abilities
- Define scope of knowledge
- Clarify limitations

## Behavior Guidelines
- Response style (formal, casual, technical)
- Output format preferences
- Error handling approach

## Examples
Provide 2-3 examples of ideal interactions
​

当然，你也可以使用 Generate System Prompt 让 AI 帮助生成和优化提示

** 参数优化：**

第 3 步：实战练习 - Python 编程代理

** 任务**：创建专门的 Python 编程助手

** 配置步骤：**

1. 模型选择：选择 Claude 3.5 Sonnet（非常适合代码）

2. 系统提示设计：

# Python Programming Expert Agent

## Role
You are a senior Python developer with 10+ years of experience. You excel at writing clean, efficient, and well-documented Python code.

## Capabilities
- Write production-ready Python code
- Debug complex issues
- Explain code concepts clearly
- Suggest best practices and optimizations
- Provide complete working examples

## Response Format
- Always include docstrings
- Add inline comments for complex logic
- Suggest testing approaches
- Mention relevant libraries when applicable

## Code Quality Standards
- Follow PEP 8 style guidelines
- Use type hints where appropriate
- Handle exceptions gracefully
- Write readable, maintainable code
​

3. 参数配置：
   • Temperature: 0.2（保持代码稳定可靠）
   • Max Tokens: 2000（详细解释）
   • Top-p: 0.9（平衡创造力）

第 4 步：测试你的 Python 代理

测试场景：

1. 基础功能：“创建一个寻找质数的函数”
2. 复杂算法：“实现一个包含插入、删除和搜索方法的二叉搜索树”
3. 实际问题：“构建一个支持速率限制和重试机制的网页爬虫”
4. 调试：“修复这段代码 [粘贴有问题的代码]”

** 成功标准：**

• ✅ 代码无错误运行
• ✅ 包含恰当文档
• ✅ 遵循 Python 最佳实践
• ✅ 提供清晰解释
• ✅ 给出改进建议

模块 1 总结与后续步骤

知识检测

测试你的理解：

• 能否解释目录中模型的区别？
• 是否成功创建并测试了自定义代理？
• 是否理解如何针对不同用例优化参数？
• 能否设计有效的系统提示？

额外资源

• AI 工具包文档：官方微软文档
• 提示工程指南：最佳实践
• AI 工具包中的模型：开发中的模型

** 恭喜！**你已掌握 AI 工具包的基础知识，准备好构建更高级的 AI 应用！

继续下一个模块

准备好探索更高级功能？继续学习 模块 2：基于 AI 工具包的 MCP 基础，你将学会如何：

• 使用模型上下文协议（MCP）连接代理与外部工具
• 构建基于 Playwright 的浏览器自动化代理
• 将 MCP 服务器与 AI 工具包代理集成
• 利用外部数据和能力强化你的代理

免责声明：
本文件使用 AI 翻译服务 Co-op Translator 进行翻译。尽管我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文件应被视为权威来源。对于重要信息，建议采用专业人工翻译。我们不对因使用本翻译而产生的任何误解或误释承担责任。